城市小汽车出行的时空特性是支撑城市交通规划设计与交通需求管理的重要基础。针对传统的以集计数据或抽样数据研究的局限性,本文基于车牌识别数据,全量感知车辆出行活动,分析城市中个体车辆的出行时空模式。首先,从数据中提取并分离车...城市小汽车出行的时空特性是支撑城市交通规划设计与交通需求管理的重要基础。针对传统的以集计数据或抽样数据研究的局限性,本文基于车牌识别数据,全量感知车辆出行活动,分析城市中个体车辆的出行时空模式。首先,从数据中提取并分离车辆出行链,获得小汽车出行的时间、空间、频率和拓扑特征,根据各时段停留点构造车辆出行活动序列。其次,融合兴趣点(Point of Interest, POI)数据识别出行起讫点关联的土地利用特性作为停留点特征,在出行活动序列上应用k-modes聚类算法挖掘出常规通勤模式、特殊通勤模式、短时活动模式和外来办事模式这4类30种小汽车出行模式。最后,对每一类模式的群体规模、特征和典型出行行为进行详细地分析讨论。结果表明,95%的车辆出行活动可以用不多于3条边组成的简单拓扑结构表示,其中,约30%的车辆可构造出行活动序列,并用k-modes聚类算法有效分离出各类机动车全天出行的时空模式。工作日车辆出行主要表现为常规通勤模式,休息日则以短时活动模式为主。通过对个体车辆的微观行为分析,结合出行拓扑结构和出行活动序列进行出行模式的挖掘,能够全面地反映城市机动车出行的实际情况,为精细化机动车出行行为分析与管控策略制定提供理论支撑。展开更多
针对隧道环境中监控图像分辨率低与车辆运动轨迹特征异质性减弱导致的驾驶员识别准确率偏低问题,本文提出一种融合卷积与多头注意力机制的驾驶员识别方法(Multi-scale CNN with Multi Attention),通过充分利用驾驶过程人—车—路—环境...针对隧道环境中监控图像分辨率低与车辆运动轨迹特征异质性减弱导致的驾驶员识别准确率偏低问题,本文提出一种融合卷积与多头注意力机制的驾驶员识别方法(Multi-scale CNN with Multi Attention),通过充分利用驾驶过程人—车—路—环境多源信息的协同耦合关系提升识别精度。首先,设计开展实车驾驶试验,构建针对隧道路段的人—车—路多源驾驶数据库并设计特征集合;其次,搭建驾驶员识别模型框架,该框架通过多尺度卷积神经网络学习驾驶过程中的局部波动,并通过并行的多头自注意力层结构捕捉驾驶时间序列的长期依赖性,实现局部信息与全局信息的有效整合,从而提升隧道场景的驾驶员识别效果。结果显示,与其他先进的算法相比,所提出的模型在驾驶员身份识别任务中的准确率高达99.07%,调和F_(1)分数达到99.03%,充分证明了所提方法的有效性。此外,通过特征贡献度评估方法对隧道场景下驾驶员身份识别任务中的特征重要性进行深入探究发现,相较于车辆历史运动数据,驾驶员心理、生理及视觉特征显示出更高的贡献度。研究结果可为隧道场景多源数据应用提供支持,并对隧道安全监管提供技术支撑。展开更多
文摘城市小汽车出行的时空特性是支撑城市交通规划设计与交通需求管理的重要基础。针对传统的以集计数据或抽样数据研究的局限性,本文基于车牌识别数据,全量感知车辆出行活动,分析城市中个体车辆的出行时空模式。首先,从数据中提取并分离车辆出行链,获得小汽车出行的时间、空间、频率和拓扑特征,根据各时段停留点构造车辆出行活动序列。其次,融合兴趣点(Point of Interest, POI)数据识别出行起讫点关联的土地利用特性作为停留点特征,在出行活动序列上应用k-modes聚类算法挖掘出常规通勤模式、特殊通勤模式、短时活动模式和外来办事模式这4类30种小汽车出行模式。最后,对每一类模式的群体规模、特征和典型出行行为进行详细地分析讨论。结果表明,95%的车辆出行活动可以用不多于3条边组成的简单拓扑结构表示,其中,约30%的车辆可构造出行活动序列,并用k-modes聚类算法有效分离出各类机动车全天出行的时空模式。工作日车辆出行主要表现为常规通勤模式,休息日则以短时活动模式为主。通过对个体车辆的微观行为分析,结合出行拓扑结构和出行活动序列进行出行模式的挖掘,能够全面地反映城市机动车出行的实际情况,为精细化机动车出行行为分析与管控策略制定提供理论支撑。
文摘针对隧道环境中监控图像分辨率低与车辆运动轨迹特征异质性减弱导致的驾驶员识别准确率偏低问题,本文提出一种融合卷积与多头注意力机制的驾驶员识别方法(Multi-scale CNN with Multi Attention),通过充分利用驾驶过程人—车—路—环境多源信息的协同耦合关系提升识别精度。首先,设计开展实车驾驶试验,构建针对隧道路段的人—车—路多源驾驶数据库并设计特征集合;其次,搭建驾驶员识别模型框架,该框架通过多尺度卷积神经网络学习驾驶过程中的局部波动,并通过并行的多头自注意力层结构捕捉驾驶时间序列的长期依赖性,实现局部信息与全局信息的有效整合,从而提升隧道场景的驾驶员识别效果。结果显示,与其他先进的算法相比,所提出的模型在驾驶员身份识别任务中的准确率高达99.07%,调和F_(1)分数达到99.03%,充分证明了所提方法的有效性。此外,通过特征贡献度评估方法对隧道场景下驾驶员身份识别任务中的特征重要性进行深入探究发现,相较于车辆历史运动数据,驾驶员心理、生理及视觉特征显示出更高的贡献度。研究结果可为隧道场景多源数据应用提供支持,并对隧道安全监管提供技术支撑。
